Show HN: OJCP —— 面向智能体可消费职位数据的开放协议
摘要
OJCP(开放职位上下文协议)是基于 MCP 构建的新开放标准,让 AI 智能体能够以结构化、同意优先的方式发现、评估和申请职位。它定义了用于职位搜索、申请和状态跟踪的模式和 MCP 工具,旨在标准化智能体与职位的交互。
作者在此!<p>目前,智能体正在以越来越大的数量代替人们申请职位,但在这方面还没有任何专门构建的设施。因此,它们会抓取招聘页面,并用 Playwright/Browser Use 与 ATS 表单搏斗,这经常导致崩溃(或被封禁)。雇主被大量不匹配的申请淹没,候选人则收不到任何回复,而简历现在变成了由一个 AI 撰写、再由另一个 AI 评分的产物(顺便说一句,这彻底打破了现有的模式)。<p>OJCP 提供了用于搜索和申请的 MCP 工具,在 /.well-known/ojcp.json 处有一个清单,让智能体能够找到服务提供者,以及用于扩展 schema.org 而非替代它的模式。网站上的 Playground 是一个实时 MCP 端点,你现在就可以向它发起调用。<p>当模型越来越擅长理解事物时,为什么还需要一个规范?推理无法产生授权。智能体可以推断出表单想要什么,但它无法确认某人对这次具体提交表示同意,而且雇主也没有办法验证是谁在调用。所以,简而言之,能力更强的智能体同时也可能是更强大的冒充者。<p>在这个模型中,信任是双向的。智能体使用 CloudFlare 和 OpenAI 已经在使用的同一方法对请求进行签名,服务提供者签署其清单,智能体可以对照 JWKS 进行验证,信任层级则限制了候选人的个人身份信息(PII)可以提供给某个给定服务提供者的数量。验证发生在同意时,因此浏览无需任何成本,只有当交互真正发生时,你才需要付费验证。<p>我是 Recruitics(招聘广告公司)的 CTO,之前曾在 LinkedIn 工作过一段时间,因此我在招聘和求职的交汇处待了相当长的时间,深刻体会过双方的痛点。<p>很高兴回答大家的问题!
查看缓存全文
缓存时间: 2026/08/13 18:21
# OJCP —— 开放职位上下文协议
Source: https://ojcp.dev/
OJCP —— 开放职位上下文协议
## 面向 | 的开放标准
OJCP 定义了 AI 智能体如何发现、推理并作用于职位机会。基于 MCP 构建。与 schema.org 互操作。由独立指导委员会(https://ojcp.dev/governance)治理,并设计为与更广泛的智能体网络(agentic web)组合使用。
## 为什么选择 OJCP
## 为智能体网络而生
一种共享协议,让 AI 智能体和职位提供者使用同一种语言 —— 结构化、可发现、尊重隐私。
## MCP 原生工具
OJCP 工具是有效的 MCP 工具。任何 MCP 客户端都可以开箱即用地调用 `search_jobs`、`get_job_detail` 和 `begin_application`。
## 结构化发现
提供者在 `/.well-known/ojcp.json` 暴露清单(manifest)。智能体自动发现能力、工具和申请路径。
## 标准化申请路径
一套标准的申请机制分类法 —— 从 ATS 直连到智能体就绪流程 —— 让智能体确切知道如何申请。
## 以同意为先的隐私
候选人数据为选择加入(opt-in)且有作用域。简历嵌入可以在不传输 PII 的情况下进行匹配度评分。智能体自我声明身份。
## 智能体感知排名
传递 CandidateContext 以获取个性化结果。提供者返回 `fit_score` 和 `fit_rationale` 以及标准职位数据。
## WebMCP 就绪
浏览器原生智能体可以通过 `navigator.modelContext` 访问 OJCP 工具。相同的模式,相同的工具,新的界面。
## 规范
## 模式与工具
OJCP 定义了七个核心模式(schema)和六个标准 MCP 工具。提供者必须实现 `search_jobs`;其余均为推荐实现。自定义工具使用带命名空间的名称(例如 `acme:get_referral_link`)。
### 位于 `/.well-known/ojcp.json` 的发现端点
- `ojcp_version`
- `provider`
- `tools`
- `mcp_endpoint`
- `auth`
- `rate_limits`
### 在 schema.org/JobPosting 基础上扩展智能体特定字段
- `ojcp_id`
- `skills_required`
- `experienceLevel`
- `apply_paths`
- `urgency`
### 基于同意范围的候选人档案(用于个性化结果)
- `consent_scope`
- `skills`
- `experience_years`
- `employment_type_preference`
### 用于审计跟踪的智能体自我标识
- `agent_id`
- `acting_on_behalf_of`
- `interaction_mode`
- `user_consent_token`
### 身份验证操作(用于人工完成)
- `step_id`
- `type`
- `verifier_id`
- `verification_url`
- `human_required`
### 带有必需声明的 JWS 证明:iss、aud、sub、iat、exp、nonce —— 不含 PII
- `step_id`
- `verifier_id`
- `proof_token (JWS)`
- `subject_hash (SHA-256)`
- `issued_at`
- `expires_at`
### 托管在 `/.well-known/ojcp-verifier.json` 的发现文档
- `verifier_id`
- `verification_types`
- `proof_delivery_methods`
- `proof_format (jws|jws+jwe)`
- `signing_algorithms`
- `public_keys_url (JWKS)`
## 工作原理
## 从发现到申请的四步
## 发现
智能体探测 `/.well-known/ojcp.json` 或查询 OJCP 注册表以查找提供者。清单声明可用的工具、申请路径和身份验证要求。
## 搜索与评估
智能体调用 `search_jobs`,并可附带 `candidate_context` 以获得个性化排名。每个结果都包含 `fit_score`、申请路径和结构化元数据。
## 申请
智能体调用 `begin_application`,附带 `agent_declaration` 和候选人的同意令牌。提供者返回所需字段以及用于多步骤流程的会话。
## 跟踪
智能体调用 `check_application_status` 以监控进度。提供者在整个招聘流程中发出结构化状态更新。
## 示例
## 查看实际运行
从发现到申请 —— 你的智能体今天就可以使用的真实 OJCP 负载。
## 申请路径
## 标准化申请分类法
OJCP 将零散的申请机制格局标准化为智能体可以推理的分类法。
| 类型 | 描述 | 智能体提交支持 |
| `ats_direct` | 通过 ATS 直接申请(Workday、Greenhouse、Lever 等) | 视情况而定 |
| `provider_hosted` | 提供者控制申请流程并交付给 ATS | 完全支持 |
| `platform_native` | 第三方平台拥有流程(例如 Indeed Apply、Easy Apply) | 有限支持 |
| `email` | 传统的基于电子邮件的申请 | 不支持 |
| `external_redirect` | 重定向到不透明的外部页面 | 不支持 |
| `custom` | 用于非标准申请机制的总称(自建、对话式等) | 视情况而定 |
## 实时试验场
## 试用 OJCP API
本网站是一个实时的 OJCP 提供者。针对模拟
相似文章
Show HN: 一个将异步工作实践转化为工具的MCP服务器
一个MCP服务器,将异步优先的工作实践作为工具集成到AI助手中,允许用户起草决策文档、将会议转化为制品、对状态更新进行评分等。
Open Computer Use
Open Computer Use 是一个开源的 MCP (模型上下文协议),用于 AI 代理控制计算机界面。
Show HN: Open Envelope – 一个用于定义AI代理团队的开放模式
Open Envelope 提供了一个开放的JSON Schema,用于定义具有角色、交接、人工检查点和访问策略的AI代理团队,旨在实现跨框架的可移植性。
AOHP:一个开源的OS级智能体框架,用于个性化、高效和安全的交互
AOHP是一个基于Android的开源操作系统框架,将AI智能体视为一等公民,通过个性化服务组合和安全信息流等面向智能体的机制,将任务完成率提高21.12%,同时将token成本降低51.55%。
Show HN: OSS Cross-Harness 自托管AI智能体注册与分析平台
Observal 是一个开源、自托管的注册与分析平台,适用于AI组件(如智能体和MCP服务器),为组织提供可发现性和使用洞察。